按照使用的資源型別劃分，我們可以把系統分為三大型別：IO密集型、計算密集型，資料密集型。系統的型別反映了系統的主要瓶頸。現實情況中，大部分系統在由小變大的過程中，最先出現瓶頸的是IO。IO問題體現在兩個方面：高併發，儲存介質的讀寫（例如資料庫，磁碟等）。隨著業務邏輯的複雜化，接下來出現瓶頸的是計算，也就是常說的CPU idle不足。出現計算瓶頸的時候，一般會使用水平擴充套件（加機器）和垂直擴張（服務拆分）兩個方法。隨著資料量（使用者數量，客戶數量）的增長，再接下來出現瓶頸的是記憶體。

如今，記憶體的合理使用比以往更加重要。一方面，大資料理論已經非常普及，用資料驅動產品也已經被普遍接受並落地，同時資料分析也促使產品設計的更加精細，因此係統承載的數量比以前有了很大的變化，系統遇到記憶體瓶頸的時間也比以前大大縮短了。另一方面，記憶體依然是相對昂貴的硬體，不能無限制的使用。即使在Amazon等雲服務上，大記憶體的例項也是很昂貴的，並且大記憶體的例項往往伴隨著高效能型CPU，這對一些資料密集型系統是一個浪費。因此，本文重點探討資料密集系統如何應對出現的瓶頸。

---

1. 拆庫

任何工程上的問題最基本的思路都是“分而治之”。因此，當記憶體不夠時，很自然的想法是將資料拆分到多臺機器中，俗稱拆庫。沿用資料庫拆分的術語，拆庫又分為“水平拆分”和“垂直拆分”兩個派別。

1.1 水平拆分 

水平拆分是指將同一種資料的不同記錄進行拆分。

例如我們有一億條商品資料供查詢。如果單機無法儲存，可以使用四臺機器，每臺機器儲存2500萬條商品資料。其中，每臺機器稱為一個“分片”，同一個分片的多臺機器組成一個“分組”，從四個分組各選出一臺機器組成一個完整的服務。當上遊服務進行查詢時，同時查詢四臺機器，並對返回結果做合併。

在使用水平拆分的方案時，需要重點考慮以下問題：

• 索引服務

如前幾篇文章所述，任何大資料量系統中，在啟動之前都需要載入索引資料。索引資料一般是預先計算好的，並且以二進位制格式持久化的檔案。因為服務進行了拆分，每一臺機器只需要載入一部分資料，因此需要為每個分組的機器單獨計算索引資料，這樣減少了系統啟動時處理的資料量，加快啟動速度。

• 資料更新

同樣，由於每臺機器只需要載入一部分資料，那麼也只需要處理這部分資料的更新。目前主流的更新資料流都是使用 Mesage Queue 作為傳輸和持久化系統個，在服務端接收 Message Queue 的資料並持久化到本地，供線上服務定期讀取。一般同一類的資料使用一個 Topic 傳輸，同時 Message Queue 一般都支援 Partition 的機制。即在向 MQ 中傳送一條資料時，可以指定將該條資料傳送到哪個 Partition；在從 MQ 中讀取資料時，可以指定只讀取哪些 Partition 的資料。例如上文的例子，儲存商品資料的伺服器分了四個組，因此可以將傳輸商品更新資料的 Topic 劃分為四個 Partition，每個分組的機器只需要訂閱其需要的 Partition 即可。在實際操作中，為了保持未來的擴充套件性，一般 Partition 的數量都會設定為分組數量的若干倍，例如八個或者十六個，這樣在未來資料量進一步增長導致分組個數進一步增加時，不需要修改 MQ 的 Partition 配置。

利用 MQ 這個機制，可以使每臺機器只訂閱自己需要處理的資料，減少頻寬，也減少更新時處理的資料量，避免浪費資源。

• 服務管理的複雜性

在我們管理上下游機器時，一般會使用以 ZooKeeper 為核心的服務管理系統。即每個服務都註冊在 ZooKeeper 中，當上遊服務需要訪問下游服務時，去 ZooKeeper 中查詢可用的下游服務列表，並同時考慮負載均衡等因素，選擇最合適的一個下游服務例項。

當一個服務出現分組時，管理的難度會增大。服務管理系統需要確保一個服務的每個分組的例項同樣多，並且負載基本保持平衡。另外，當任何一臺機器出現 故障導致的宕時，需要啟動備用機器。這時，需要判斷是哪個分組的機器發生了故障，並啟動相關分組的機器例項，重新註冊到 ZK 中。

• 無法拆分的資料

有很多資料是無法拆分的。一方面有些資料是天然不可拆分的，例如各種策略使用的詞典；另一方面，有些資料即使可以拆分，但和系統中其他資料的拆分規則不同，那麼系統也無法保證所有資料都能被拆分，只能優先拆分主要資料。

1.2 垂直拆分

在傳統關係型資料庫的設計上，垂直拆分是指將一種資料的不同列進行拆分；在對系統架構的設計上，垂直拆分是隻將一個服務的不同計算邏輯拆分為多個服務。在使用垂直拆分的方案時，需要重點考慮以下問題：

• 增加網路請求次數，增加系統響應時間

如果是對響應時間要求很高的系統，一定會盡可能地避免垂直拆分，例如搜尋。而有一些對邏輯確實很複雜，對時間又不太敏感的系統，一般都會優先選擇垂直拆分，例如支付。

• 增加系統複雜度

將服務進行了分層，更加了開發成本，對運維的要求也更高。

• 資料冗餘

有一些資料會被拆分過的多個服務使用，會出現在上下游多個服務中，那麼資料的分發、更新都會更加複雜，即浪費資源，又進一步增加了系統的複雜度。因此，在垂直拆分的過程中，一定要儘可能將服務的功能做良好的劃分，避免一種資料被多個服務使用的情況。

垂直拆分的方案中，有一種情況可以大幅減少機器數量，即：一部分資料的存在並不是在處理請求的時候被直接使用，其存在是為了維護被處理請求的邏輯直接使用的資料。

一個典型的例子是檢索服務中的正排索引。檢索服務在查詢時，直接使用的是倒排索引，而倒排索引是根據正排索引生成的。正排索引往往有多種資料，當一條資料發生更新時，會影響其他類別的資料。因此，一條資料的更新資訊無法被單獨處理，在系統的記憶體中往往同時維護正排索引和倒排索引，導致記憶體翻倍。這種情況下，如果我們把正排索引獨立到一臺離線機器中，這臺機器維護正排索引的全部資料，當正排索引發生更新時，倒排索引的更新資訊，並分發給所有線上機器。那麼，線上服務就不需要維護正排索引，能夠大幅度減少記憶體的使用。

1.3 綜述

實際情況中，大型系統往往同時使用水平拆分和垂直拆分兩種方案。一方面，水平拆分雖然服務內部進行了分組，但對外仍然是單一的服務，因此從業務邏輯上來講更加簡單。另一方面，垂直拆分可以將非常複雜、計算資源有不同需求的業務邏輯進行很好的隔離，方便系統中各業務邏輯可以針對自己的特點進行開發和部署。因此，在選擇拆分方案時，要結合系統的主要矛盾以及目前團隊成員的技術特點，綜合考慮做出選擇。

---

2. 多級儲存

俗話說，當上帝為你關上了一扇門，必（可）定（能）為你開啟了一扇窗。如果說大資料是上帝為架構師關上的一扇門，那麼熱點資料就是開啟的那扇窗。雖然在現實世界中的資料是海量難以估算的，但幸運的是，有價值或者說值得關注的資料總是少數的。在大型系統中，請永遠把二八法則的重要性放在第一位。

一般來說，計算機的儲存系統分為三級：CPU Cache，記憶體，磁碟。這三者的訪問速度依次降低（並且是數量級的降低），單位儲存的成本也依次降低（也是數量級的降低）。多級儲存的基本思想是，按照被訪問頻率的不同給資料分類，訪問頻率越高的資料應當放在訪問速度越快的儲存介質中。

三種系統都使用頁式儲存的結構，頁也是其處理資料的最小單位。由於這個特性，我們一般在編寫程式時，儘可能地將連續訪問的資料放在記憶體的相鄰位置，以提高CPU Cache的命中率，也就是常說的 locality principle。

隨著SSD的出現，對磁碟的使用已經出現了新的方法論。機械磁碟的隨機讀寫速度在10ms左右，不太可能供實時系統使用。而SSD磁碟的隨機讀寫速度在100us左右，對於有些秒級響應的系統來說，已經可以作為實時系統的儲存介質。一種典型的情況是系統存在相當數量的冷門資料。系統對於熱點資料可以快速地反饋，對於很少被訪問的冷門資料可以儲存在SSD磁碟中。當冷門資料被訪問時，只要latency仍然可以控制在秒級，就可以在保證使用者體驗只有很少的損害的情況下，大幅減少系統成本。

一種典型的場景是電商的商品資訊。經常被訪問的商品可能不到商品總量的1%。像淘寶這樣規模的電商系統，實際可能比1%還低。

另一種典型的場景是使用者評論。無論按評論發表的先後順序，還是按某種規則計算出的評論的質量度排序，總是前100個左右的評論被經常訪問，後面的評論幾乎不會被訪問到。

另外，回想上文提到的檢索服務的案例。正排索引除了可以拆分為單獨的服務之外，還可以儲存在磁碟中。更新正排索引的時候直接從磁碟讀取資料，修改後寫會磁碟，同時更新記憶體的倒排索引。如果使用SSD磁碟，雖然更新的延遲會增長，但也會控制在毫秒級，對於系統完全是可以接受的。要知道，在一條資料到達檢索服務之前，都會經過若干次網路傳輸，由磁碟引起的延遲並不是主要因素。

在使用磁碟作為可以提供實時查詢功能的儲存介質時，很常見的方案是將磁碟作為二級快取，將最近訪問的資料儲存在記憶體中，當訪問的資料不在記憶體中時，從磁碟讀取，並放入記憶體中。這個方案的假設是，最近被訪問的資料很可能在接下來仍然被訪問。採用這種方案需要重點注意，防止爬蟲或者外部的惡意請求短期內訪問大量冷門資料，造成實際的熱點資料被換出快取，導致處理真實請求時有大量的快取失效。

---

大資料技術對商業效果的提升已經在越來越多的行業中被證明，未來的服務，無論是線上還是離線，處理的資料都會有數量級甚至幾個數量級的增長。同時，我們看到記憶體除了訪問速度越來越快，在儲存的資料量和成本上並沒有太大的變化。因此，未來越來越多的系統的主要瓶頸會從計算、IO轉移到資料量上，記憶體密集型系統會變得越來越重要，相信其架構在未來幾年也會有很多新的方式出現。

引用：http://blog.csdn.net/tigermee/article/details/51456584